电商类数据分析赛常用的模型包括但不限于：线性回归、逻辑回归、决策树、随机森林、梯度提升树（GBDT）、XGBoost、LightGBM、神经网络等。

首先，线性回归是最基础的模型之一，适用于进行回归预测，例如销售额、用户行为分析等。其优点在于模型简单易懂，计算速度快，可以作为一个基准模型来使用。

其次，逻辑回归主要用于二分类问题，例如预测用户是否购买某个商品、是否点击广告等。逻辑回归计算速度快，容易解释，通常作为分类问题的首选模型之一。

决策树是一种非常直观的模型，可以帮助理解数据集中的关键特征。随机森林是将多个决策树集成在一起，通常表现较好，对于处理高纬度数据集和文本数据有较好的效果。

梯度提升树（GBDT）通过集成多棵树形成强分类器，能够更好地拟合复杂的关系。XGBoost、LightGBM 是基于梯度提升树的优化算法，有较快的训练速度和较高的预测准确性。

此外，神经网络模型适合处理非线性、高度复杂的问题，例如图像识别、自然语言处理等。深度学习模型如卷积神经网络（CNN）、循环神经网络（RNN）也可以用于电商数据的分析和预测。

在选择模型时，需要根据具体的问题、数据及挑战来综合考虑模型的特点和适用范围，以及模型的训练复杂度和预测性能，进而选择最适合的模型进行建模和分析。

数据分析比赛在电商领域中使用的模型种类繁多，具体选择何种模型取决于数据集的特征、问题的定义以及比赛的背景。以下是一些通常在电商类数据分析比赛中常见的模型：

1. 回归模型：回归模型是用来预测数值型变量的模型，适用于销售预测、价格预测、用户购买量预测等问题。常见的回归模型包括线性回归、岭回归、Lasso回归等。

2. 分类模型：分类模型用于预测离散的类别变量，例如用户的购买意愿（是/否）、产品的分类、用户的偏好等。常见的分类模型有逻辑回归、随机森林、支持向量机等。

3. 时间序列模型：针对时间相关的数据，例如销售额随时间的变化、用户行为随时间的变化等问题，可以使用时间序列模型，如ARIMA、Prophet等。

4. 协同过滤模型：这种模型考虑了用户和产品之间的交互关系，适用于基于用户行为的推荐系统。常见的协同过滤方法包括基于用户的协同过滤、基于物品的协同过滤等。

5. 深度学习模型：对于复杂的数据或需要挖掘非线性关系的场景，可以考虑采用深度学习模型，如神经网络、卷积神经网络（CNN）、循环神经网络（RNN）等。

在电商领域的数据分析比赛中，通常会综合应用多种模型，并通过特征工程、模型融合等方法提升预测效果。最终的选择取决于比赛的任务目标、数据的特点以及团队的技术能力和经验。因此，在参加电商类数据分析比赛时，需要根据具体情况选择适合的模型并不断优化和调整，以提高比赛成绩。

电商类数据分析赛通常涉及到海量数据以及复杂的用户行为分析，为了更准确地预测用户行为、优化营销策略以及提升用户体验，常常需要运用多种模型进行分析。以下是在电商类数据分析赛中常用的模型：

1. 回归模型

回归分析是研究因变量与一个或多个自变量之间关系的统计方法，通过构建回归模型可以预测销售额、用户购买行为等。在电商领域，常用的回归模型包括线性回归、多项式回归、岭回归、Lasso回归等。通过回归模型，可以揭示变量之间的关联，并进行数据预测。

2. 分类模型

分类模型常用于对用户行为进行分类，如用户购买意向、用户流失预测等。电商数据通常包含大量的标签化数据，可以利用分类模型如逻辑回归、决策树、随机森林、支持向量机等进行分析。这些模型能够帮助电商平台实现个性化推荐、精准营销等目标。

3. 聚类模型

聚类模型常用于电商领域的用户分群、商品归类等任务。通过聚类模型，可以发现数据集中的内在结构和规律，为用户画像、用户定位等提供支持。常用的聚类算法包括K均值聚类、层次聚类、密度聚类等。

4. 预测模型

预测模型是一类广义的模型，包括时间序列分析、ARIMA模型、LSTM等。在电商领域，对销售额、用户流量、库存需求等进行预测是非常重要的。通过构建预测模型，可以更好地应对突发事件、调整运营策略。

5. 文本分析模型

电商平台海量的评论、评分、商品描述等文本数据蕴含着丰富的信息，通过文本分析模型如自然语言处理(NLP)、情感分析等，可以挖掘用户情感、商品特点，为电商平台提供更精准的营销策略、产品改进建议。

6. 关联规则挖掘

关联规则挖掘是挖掘数据集中项与项之间的关联规则，对购物篮分析、交叉销售等有重要意义。通过关联规则挖掘，可以为电商平台提供商品捆绑销售、促销策略等建议。

7. 强化学习模型

在某些电商场景下，如推荐系统、动态定价等，可以应用强化学习模型。强化学习可以通过与环境的交互学习出最优策略，常用的算法包括Q-learning、深度强化学习等。

综合以上介绍，电商类数据分析赛通常需要结合多种模型进行分析，根据具体场景和数据特点选择合适的模型进行建模和预测。在实际应用中，也可尝试模型融合、特征工程等方法进一步提升模型性能。